联邦运动图像分类为保护隐私的大脑与计算机接口的联合运动图像分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 数据 隐私 数据 隐私 数据

背景情况:

• 精确的基于脑电图 (EEG) 的脑电脑接口 (BCI) 分类需要大量的用户数据.
• 保护用户数据隐私在BCI的研究和开发中至关重要.
• 联合学习 (FL) 提供了一种去中心化的方法来培训模型,而不需要集中敏感数据.

研究的目的:

• 提出一个新的联合学习框架,FedBS,用于保护隐私的基于EEG的运动图像 (MI) 分类.
• 为了提高模型的概括性,并减少在FL设置中的不同用户之间的数据差异.
• 为了提高BCI解码精度,同时保护个人EEG数据.

主要方法:

• 联邦分类与本地批量特定批量规范化 (BS) 以减轻数据异质性.
• 整合了敏度感知最小化 (SAM) 优化器,以改善本地模型通用化.
• 在使用多种深度学习架构的三个公共MI数据集上进行实验验证.

主要成果:

• 在MI分类方面,FedBS显著优于现有的六种最先进的FL方法.
• 拟议的FedBS方法超过了集中式培训的表现,尽管后者没有纳入隐私措施.
• 在多个深度学习模型和公共数据集中表现出卓越的性能.

结论:

• 在联邦训练期间,FedBS有效地保护用户EEG数据隐私.
• 该框架允许使用大型多用户EEG数据集进行BCI模型的协作训练.
• 通过保护隐私的机器学习,FedBS可以提高BCI解码精度.